大型语言模型赋能网络：工作流程、进展与挑战

大型语言模型赋能网络：工作流程、进展与挑战

摘要

网络领域具有高度复杂性和快速迭代的特点，完成网络设计、配置、诊断和安全等任务需要广泛的专业知识。这些任务的固有复杂性，加上不断变化的网络技术和协议，给传统的基于机器学习的方法带来了重大障碍。这类方法通常难以在网络中泛化和自动化复杂任务，因为它们依赖大量标记数据、特定领域的特征工程以及频繁的再训练来适应新场景。

然而，最近大型语言模型（LLM）的出现引发了应对这些挑战的新一波可能性。LLM 在自然语言理解、生成和推理方面表现出了非凡的能力，基于海量数据训练的模型有望使网络领域受益。目前已有研究探索了 LLM 在网络领域的应用，并显示出积极结果。通过回顾近期进展，我们提出一个抽象工作流程来描述将 LLM 应用于网络的基本过程。文章按类别介绍了现有作品的亮点，详细解释它们在工作流程不同阶段的运作方式。此外，我们深入研究了遇到的挑战，讨论了潜在解决方案，并概述了未来的研究前景。希望这项调查能为研究人员和从业者提供见解，促进这一跨学科研究领域的发展。

1 引言

2 LLMN 的基本工作流